CN116774086A - 一种基于多传感器数据融合的锂电池健康状态估计方法 - Google Patents
一种基于多传感器数据融合的锂电池健康状态估计方法 Download PDFInfo
- Publication number
- CN116774086A CN116774086A CN202310686242.XA CN202310686242A CN116774086A CN 116774086 A CN116774086 A CN 116774086A CN 202310686242 A CN202310686242 A CN 202310686242A CN 116774086 A CN116774086 A CN 116774086A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- data
- health state
- commodity
- sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 136
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 136
- 230000036541 health Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000004927 fusion Effects 0.000 title claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000010219 correlation analysis Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000007246 mechanism Effects 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 23
- 230000005484 gravity Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000011423 initialization method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 241001589086 Bellapiscis medius Species 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于多传感器数据融合的锂电池健康状态估计方法,采集锂电池数据,运用去趋势交叉相关分析法对数据集进行特征提取并进行数据集划分;构建基STGCN和Pyraformer模型的锂电池组电池健康状态模型;通过STGCN提取由锂电池组的多维度参数数据构成的空间参数序列的局部电池容量变化特征,将获得的特征输入到Pyraformer中建立空间参数序列与全局锂电池组健康状态的变化联系;运用均匀初始化对SDO进行初始化操作,将改进后的多元学习引入到SDO中得到改进的UMSDO算法;利用UMSDO优化STGCN‑Pyraformer模型中的超参数,获取对应的最优参数,对电池健康状态进行预测,得到电池健康状态的预测结果。本发明能够被应用于锂电池健康状态预测的建模过程中,确保锂电池健康状态预测的准确性。
Description
技术领域
本发明属于锂电池健康状态检测技术领域,具体涉及一种基于多传感器数据融合的锂电池健康状态估计方法。
背景技术
近年来,为缓解能源危机和环境恶化等问题,社会各界都开始注重发展新能源。包括新能源汽车,风力发电,水力发电等等,这些不乏都需要用到电能储存装置即电池。因为电池是电能的主要载体,更是包括电动汽车在内的动力来源,电池性能及状态的好坏直接影响用电设备的工作,因此电池技术作为电动汽车的三大核心技术之一,受到了广泛的关注,为保证汽车的安全高效运转,需要对电池的健康状态进行估计和预测。目前研究电池健康状态的方式主要包括一下三种方法:1.锂电池电化学模型:锂电池的电化学模型基于材料物理和化学机制,通过模拟锂离子从正极向负极的迁移过程以及伴随的电化学反应和临界事件(如漏电和短路)来描述电池的行为。电化学模型可以精确预测电池参数(如电压、电流和容量)的变化,进而预测电池的健康状态,但这种基于电化学模型的方法比较复杂,容易受到外部动态因素的干扰,以至于精度不高,鲁棒性不强。2.数据驱动的算法也是预测锂电池健康状态的重要手段。这些算法可以通过自适应学习、机器学习和深度学习等方法处理感知数据(如电压、电流、温度和容量等)来发现与锂电池健康状态有关的隐藏特征,进而预测电池健康状态,但目前大多数数据驱动模型没有考虑锂电池数据内部具有一定的时序性,当充放电周期过长时,对电池健康状态预测效果将会不理想。3.物理测量数据:针对不同的电池类型和应用场景,物理测量数据(如电池的电压、电流、温度、容量和内阻等)也是预测电池健康状态的重要数据来源。这些数据可以通过信号处理、数据拟合和分析等方法来提取有用的特征并进行预测,这种测量方法的应用场景非常有限,无法在电池实际应用场景中在线测量,只能在实验室环境中使用复杂的设备离线测量。
针对以上问题,本发明给出一种基于多传感器多测点测量与基于STGCN-Pyraformer联合模型的锂电池预测模型。克服了电化学模型计算复杂鲁棒性差的缺点,同时在兼顾数据驱动模型优点的同时考虑了锂电池数据内部具有一定的时序性和空间性的特点,同时还提高了在锂电池充放电周期过长时,对电池健康状态预测效果。
发明内容
发明目的:针对现有技术存在的基于电化学模型的方法比较复杂,容易受到外部动态因素的干扰,以至于精度不高,鲁棒性不强的问题,提出一种基于多传感器数据融合的锂电池健康状态估计方法。
技术方案:本发明提出一种基于多传感器数据融合的锂电池健康状态估计方法,包括以下步骤:
(1)在由单个锂电池组成的锂电池组内部布置多测点、多变量传感器,采集不同工况下锂电池充放电数据;
(2)对步骤(1)获取的数据进行进行归一化处理,运用去趋势交叉相关分析法进行特征选择,对数据进行重新构建,形成电池健康状态数据集,并划分训练集、验证集和测试集;
(3)构建基于STGCN和Pyraformer模型的锂电池组电池健康状态模型STGCN-Pyraformer;通过时空图卷积网络提取由锂电池组的多维度参数数据构成的空间参数序列的局部电池容量变化特征,将获得的特征输入到Pyraformer中建立空间参数序列与全局锂电池组健康状态的变化联系;
(4)运用均匀初始化方法对初始商品价格和数量进行初始化;将改进后的多元学习引入到供需优化算法中,通过建立商品价格历史适应度矩阵实现对上一次迭代的适应度结果进行记录,利历史数据对本次迭代计算出的适应度结果进行干预,实现对商品价格的适应度值进行更新,最终得到精确的适应度,提高算法的全局搜索能力,得到UMSDO算法;
(5)利用UMSDO对步骤(3)中的STGCN-Pyraformer模型的包括隐含层节点个数,学习率在内的超参数进行优化,获取对应的最优参数,利用优化后的锂电池组健康状态预测模型对电池健康状态进行预测,得到电池健康状态的预测结果。
进一步地,步骤(1)所述的锂电池充放电数据包括锂电池充放电电流与电压在内的内部因素及与温度、压力、湿度在内的外部因素数据。
进一步地,步骤(2)所述的运用去趋势交叉相关分析法进行特征选择过程如下:
将单体锂电池的其中任意两组随时间变化的数据序列为非平稳时间序列{ai},{bi}(i=1,2,…,N),i表示时间度量,N为序列长度,序列{ai},{bi}分别表示任意两组锂电池数据序列;
求{ai},{bi}两个时间序列的去均值累积序列Ak和Bk:
其中,分别为时间序列{ai}和{bi}的平均值;
分别把{Ak}和{Bk}等分成Nn≡int(N/n)个不相重叠的长度为n的数据段;从序列的另一端进行同样操作,得到2Nn个等长度区间;
采用最小二乘法对每个区间v内的数据Ak,v和Bk,v,进行数据拟合,得到局部趋势和/>然后将所有数据段的趋势组合在一起作为局部趋势序列;
用原累积序列减去局部趋势序列,得到剩余序列,计算每一个区间剩余信号的协方差:
求所有区间的去趋势协方差的平均值,得到q阶去趋势协方差:
改变时间尺度n重复以上步骤,得到不同时间尺度n下的FDCCA(n);在双对数坐标下做出log(n)~log[FDCCA(n)]的散点图,将其进行直线拟合后所得斜率即为DCCA标度指数H;H在标度区间[0,1]内,定量表征了两组非平稳时间序列的交叉相关性.若0.4<H<0.6,表明序列没有相关性,即某一锂电池数据组序列变化趋势不会对另一组序列变化趋势产生影响,此时将这两组锂电池数据序列保留;若0.6≤H<1时,表明两序列之间具有长程交叉正相关性,即某一段时间内某一组序列的较大波动,会导致另一组序列呈现相同的趋势,此时将这两组锂电池数据序列对应元素求平均值形成一组数据集从而实现降维;0<H≤0.4时,某一段时间内某一组序列的较大波动,会导致另一组序列呈现相相反的趋势,数据处理方法与上述0.6≤H<1时数据处理方法相同。
进一步地,步骤(2)所述训练集、验证集和测试集按照6:2:2的比例划分为。
进一步地,所述步骤(3)实现过程如下:
(31)将分布在锂电池组上的多变量多测点传感器采集到的具有时空特性的锂电池工作数据的看作一个为STGCN的输入,以锂电池传感器监测点为节点,传感器链路为边与相邻关节点之间进行连接作为图的边;然后通过图卷积神经网络模型学习不同节点的位置信息和时间信息得到高阶特征,以捕获节点之间的空间依赖性和时间依赖性:
其中,H(l)是第l层的锂电池节点数据特征矩阵,W(l)是该层的权重矩阵,B(l)是所需的偏移量,为规范化的邻接传感器采集的数据矩阵,σ表示ReLU激活函数;
(32)采用注意力机制实现对锂电池组上分布的多个传感器节点之间进行不同程度的关注,选取重心点为锂电池组中心节点,其余关节点到重心点连线定义为S,具体实现公式如下:
其中,表示其余布置在锂电池组上的传感器节点到重心点的平均距离,大小表示传感器关键点到重心点的远近;
(33)通过两个网络层结合对时间和空间特征进行提取后,利用softmax函数完成分类预测传感器采集的数据:
X=softmax(Wa·Va+Wb·Vb) (8)
式中,Wa和Wb分别表示两层的权重矩阵,Va和Vb表示两层的网络模型,X为经STGCN模型第一步预测后得到的锂电池组的多维度参数数据构成的空间参数序列;
(35)建立包含编码器、金字塔式注意力机制、输出层在内的Pyraformer模型;将空间参数序列X作为Pyraformer模型的输入层数据;其中X的定义如下:
X={X1,X2,X3,…,XN}(9)
其中,N代表数据的维度;将数据通过向量表示。
进一步地,所述步骤(34)实现过程如下:
建立Encoder的多头注意机制和前馈网络两层结构,每层都有一个残差连接随后进行了层标准化;对于多头注意力机制是由多个自注意力机制组成,自注意机制的输入是将经过编码后的输出打包到一个矩阵中,然后将这个矩阵由三个预先训练好的矩阵WQ,WK,WV,进行三次线性变换向量得到三个矩阵:查询矩阵Q、键矩阵K、值矩阵V;自注意力机制的计算公式如下:
式中,dk是K的维度﹐多头注意力机制就是定义多组WQ,WK,WV,通过不同的算出不同的Q,K,V然后将n个自注意力机制的结果拼接起来,得到最后的结果O=[O1,O2,…,On]经过残差连接和层标准化后输入到第二层前馈网络,FNN由两个线性变换和Relu激活函数组成,计算公式如下:
Y=W2ReLU(W1x+b1)+b2(11)
式中,W1、W2,为二层前馈网络中锂电池数据线性变换的权重矩阵,b1,b2为偏置参数;前馈网络后输出的结果通过残差连接与层标准化后得到最后的输出;
建立Pyraformer的金字塔注意力模块,具体公式如下:
其中,为锂电池数据采集传感器节点的第s个节点,/>为传感器相邻节点的集合,/>为传感器临近节点,/>为C叉树中的子节点,/>为C叉树中的父节点,C表示较粗比例结点可以汇总的较细比例结点数,A表示节点能参与的相同规模的相邻节点数,S表示刻度数,节点/>处对应的输出Yp表示为:
Yp为经STGCN模型提取特征信息后的锂电池数据序列;
建立Pyraformer的输出层具:将Yp进行全局平均池化,然后将池化后的特征向量Y使用Softmax函数计算特征向量被分到每个类别的概率Pi,实现对锂电池组健康状态的分类,Softmax函数计算公式如下:
式中,WY为全局平均池化的权重矩阵,bY为偏置参数。
进一步地,所述步骤(4)实现过程如下:
(41)设置SDO算法的目标函数为锂电池健康状态预测准确率,确定种群大小、迭代次数、维度大小以及搜索空间的上下限;
(42)采用均匀初始化方法对初始商品价格和数量进行初始化操作,改进后的初始化方式公式如下所示:
其中,表示商品价格初始化结果,/>表示商品数量初始化结果;p为种群数,d为维度,L为搜索区间下界,U为搜索区间上界,r为0和1之间的均匀随机数;
(43)根据目标函数计算适应度值,根据计算适应度得出最优解;
(44)在商品数量衡算阶段商品数量更新公式如下所示:
qi(t+1)=q0+α×(pi(t)-p0) (17)
其中,qi(t)分别为第t次迭代第i个市场中商品数量;α为需求权重;p0为商品均衡价格;在商品价格衡算阶段商品价格更新公式如下所示:
pi(t+1)=p0-β·(qi(t+1)-q0) (18)
其中,pi(t)分别为第t次迭代第i个市场中商品价格量;β为供给权重;p0为商品均衡价格;q0为商品均衡数;需求算式重写为:
pi(t+1)=x0-αβ·(pi(t)-p0) (19)
引入多元学习策略来更新商品属性中每中商品的价格和数量;将商品价格种群随机分为两部分,一部分从当前商品价格种群和历史商品价格种群中学习,其余从当前商品价格种群中的最优市场中学习:
其中,h是小于市场大小的正整数,并且h≠i;ph,j表示当前市场中h个商品的第j个变量;a和b是从0到1的随机数;Cbest,j是当前市场最优解的第j个变量。
进一步地,所述步骤(5)实现过程如下:
(51)初始化SDO算法的相关参数,包括种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数;
(52)计算经融合模型训练的预测值和样本实际值Yi间的均方根误差,将其作为SDO算法中每个个体的适应度值Fit:
(53)根据商品价格衡算策略和商品数量衡算策略,更新出每个商品在不同市场中的价格和数量,计算出每个个体的适应度值,并对其进行排序;
(54)利用多元学习策略重新对个体位置进行计算,并计算个体适应度值,将其与步骤(53)得到的个体适应度值进行比较,选出最优适应度值对应的最优位置;
(55)判断是否达到最大迭代次数,若达到,则输出最优解,并从中提取出融合模型的超参数,否则返回步骤(53);
(56)将训练集和验证集作为模型的输入数据,对优化后的融合模型进行训练,只用融合模型对测试集数据进行预测,得到最终的锂电池健康状态预测结果。
本发明还提供一种装置设备,包括存储器和处理器,其中:
存储器,用于存储能够在处理器上运行的计算机程序;
处理器,用于在运行所述计算机程序时,执行上述基于多传感器数据融合的锂电池健康状态估计方法的步骤。
本发明还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被至少一个处理器执行时实现上述基于多传感器数据融合的锂电池健康状态估计方法的步骤。
有益效果:与现有技术相比,本发明的有益效果:
1、本发明针对模型在锂电池充放电过程中数据量大,且非线性且数据不稳定等特点,去趋势交叉相关分析方法,有效度量两个非平稳时间序列之间的交叉相关性,通过多项式函数拟合去除时间序列的局部趋势进而消除局部相关特性,消除冗余特征信息,减少运行时间的目的;
2、针对传统锂电池健康状态预测模型存在的精度不高、鲁棒性不强、场景非常有限等缺点,本发明提出的采用多测点、多变量传感器测量锂电池工作数据进行融合,针对多测点、多变量传感器采集的锂电池数据内部具有一定的时空特性,存在充放电周期可能过长的特点,提出利用图卷积神经网络对数据进行处理,当某一传感器采集的数据存在问题时,能够实现对临近测点传感器的数据的预测,从而提高了模型的鲁棒性;
3、针对传统模型在预测过程中难以兼顾单步和远程多步预测任务与最少的时间和内存消耗,同时在面对长数据序列时可能会出现记忆力不足、梯度消失等问题,提出Pyreformer预测模型,其内部的Reversible Residual Networks(RevNets)的结构能够有效解决以上问题;最后将时空图卷积神经网络与Pyreformer进行融合;采用模型融合的方法,能够有效的提高模型的泛化能力,提升模型的准确率;
4、针对供需优化算法在寻优过程中,存在收敛速度慢,容易陷入局部最优等问题,采用均匀初始化方法对种群进行初始化操作,避免初始化个体集中分布,在更新阶段增加多元学习的更新方式,增加个体对间接层信息的利用能力,提高搜索效率;
5、本发明基于时空图卷积网络和Pyreformer建立模型,同时采用改进的SDO算法优化模型超参数,能够有效地对锂电池健康状态进行预测,提高模型预测精度。
附图说明
图1为本发明的流程图;
图2为本发明中Pyraformer模型中的Encoder模型结构示意图;
图3为本发明中Pyraformer模型中的金字塔注意力机制结构示意图;
图4为本发明提供的基于STGCN和Pyraformer的电池健康状态预测模型结构示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
基于电化学模型的方法比较复杂,容易受到外部动态因素的干扰,以至于精度不高,鲁棒性不强的问题;大多数数据驱动模型没有考虑锂电池数据内部具有一定的时序性,当充放电周期过长时,对电池健康状态预测效果将会不理想;物理测量数据方法的应用场景非常有限,无法在电池实际应用场景中在线测量,只能在实验室环境中使用复杂的设备离线测量等问题,本发明提供一种基于多传感器数据融合的锂电池健康状态估计方法,如图1所示,具体包括以下步骤:
步骤1:采集不同工况下锂电池充放电数据。
在由单个锂电池组成的锂电池组内部布置多测点、多变量传感器,采集不同工况下锂电池充放电数据。锂电池充放电数据包括锂电池充放电电流与电压在内的内部因素及与温度、压力、湿度在内的外部因素数据
步骤2:对步骤1获取的数据进行进行归一化处理,运用去趋势交叉相关分析法进行特征选择,对数据进行重新构建,形成电池健康状态数据集,并划分训练集、验证集和测试集。
为避免不同维度数据之间取值可能不在同一范围,从而导致不良影响的产生,使用线性归一化方法,将单体锂电池数据进行归一化处理,具体是把单体锂电池数据输入数据转换到[0,1]的范围,实现方式如下:
其中,表示归一化后的某一组锂电池数据集中第i个锂电池参数数据,xi表示某一组锂电池数据集中第i个原始数据,xmin和xmax分别表示某一组锂电池数据集中数值最小和最大的参数。
去趋势交叉相关分析法能够有效度量两个非平稳时间序列之间的交叉相关性,通过多项式函数拟合去除时间序列的局部趋势进而消除局部相关特性。具体实现过程如下:
考虑到锂电池在不同测试工况和使用时间下,测试条件可能存在多种复杂或突变情况,因此可以考虑单体锂电池的其中任意两组随时间变化的数据序列为非平稳时间序列{ai},{bi}(i=1,2,…,N),i表示时间度量,N为序列长度,序列{ai},{bi}分别表示任意两组锂电池数据序列。
求这两个时间序列的去均值累积序列Ak和Bk:
其中,分别为时间序列{ai}和{bi}的平均值。
分别把{Ak}和{Bk}等分成Nn≡int(N/n)个不相重叠的长度为n的数据段.由于N并不总是n的整数倍,在序列尾端会有数据剩余。为了充分利用数据信息,可从序列的另一端进行同样操作,最终得到2Nn个等长度区间。
采用最小二乘法对每个区间v内的数据Ak,v和Bk,v,进行数据拟合,得到局部趋势和/>然后将所有数据段的趋势组合在一起作为局部趋势序列。
用原累积序列减去局部趋势序列,得到剩余序列,计算每一个区间剩余信号的协方差:
求所有区间的去趋势协方差的平均值,得到q阶去趋势协方差:
改变时间尺度n重复以上步骤,得到不同时间尺度n下的FDCCA(n)。在双对数坐标下做出log(n)~log[FDCCA(n)]的散点图,将其进行直线拟合后所得斜率即为DCCA标度指数H。H在标度区间[0,1]内,定量表征了两组非平稳时间序列的交叉相关性.若0.4<H<0.6,表明序列没有相关性,即某一锂电池数据组序列变化趋势不会对另一组序列变化趋势产生影响,此时将这两组锂电池数据序列保留;若0.6≤H<1时,表明两序列之间具有长程交叉正相关性,即某一段时间内某一组序列的较大波动,会导致另一组序列呈现相同的趋势,此时将这两组锂电池数据序列对应元素求平均值形成一组数据集从而实现降维;0<H≤0.4时,某一段时间内某一组序列的较大波动,会导致另一组序列呈现相相反的趋势,数据处理方法与上述0.6≤H<1时数据处理方法相同。
建立电池健康状态数据集,并按照6:2:2的比例划分为训练集、验证集和测试集;其中测试集数据为多测点多变量传感器采集并经过去趋势交叉相关分析特征提取后的的数据。
步骤3:构建基于图卷积神经网络(STGCN)和Pyraformer模型的锂电池组电池健康状态模型STGCN-Pyraformer,如图4所示;通过时空图卷积网络提取由锂电池组的多维度参数数据构成的空间参数序列的局部电池容量变化特征,将获得的特征输入到Pyraformer中建立空间参数序列与全局锂电池组健康状态的变化联系。
将经去趋势交叉相关分析特征提取后的多维数据看作一个为STGCN的输入,以锂电池传感器监测点为节点,传感器链路为边与相邻关节点之间进行连接作为图的边;然后通过图卷积神经网络模型学习不同节点的位置信息和时间信息得到高阶特征,以捕获节点之间的空间依赖性和时间依赖性。
其中,H(l)是第l层的锂电池节点数据特征矩阵,W(l)是该层的权重矩阵,B(l)是所需的偏移量,为规范化的邻接传感器采集的数据矩阵。σ表示ReLU激活函数。
采用注意力机制实现对锂电池组上分布的多个传感器节点之间进行不同程度的关注,选取重心点为锂电池组中心节点,其余关节点到重心点连线定义为S,具体实现公式如下:
其中,表示其余布置在锂电池组上的传感器节点到重心点的平均距离,大小表示传感器关键点到重心点的远近;
通过两个网络层结合对时间和空间特征进行提取后,利用softmax函数完成分类预测传感器采集的数据,具体公式如下:
X=softmax(Wa·Va+Wb·Vb) (8)
式中,Wa和Wb分别表示两层的权重矩阵,Va和Vb表示两层的网络模型,X为经过STGCN模型第一步预测后得到的锂电池组的多维度参数数据构成的空间参数序列。
建立包含编码器(Encoder)、金字塔式注意力机制(PyramidDecoder)、输出层在内的Pyraformer模型具体步骤如下:
1)建立Encoder输入层,将经STGCN神经网络时空特征提取后得到的锂电池数据序列X作为Pyraformer模型的输入层数据,其中X的定义如下:
X={X1,X2,X3,…,XN} (9)
其中,N代表数据的维度;将数据通过向量表示。
建立Encoder的多头注意机制和前馈网络两层结构,所述Encoder模型结构如图2所示,每层都有一个残差连接随后进行了层标准化。对于多头注意力机制是由多个自注意力机制组成,自注意机制的输入是将经过编码后的输出打包到一个矩阵中,然后将这个矩阵由三个预先训练好的矩阵WQ,WK,WV,进行三次线性变换向量得到三个矩阵:查询矩阵Q、键矩阵K、值矩阵V。自注意力机制的计算公式如下:
式中,dk是K的维度﹐多头注意力机制就是定义多组WQ,WK,WV,通过不同的算出不同的Q,K,V然后将n个自注意力机制的结果拼接起来,得到最后的结果O=[O1,O2,…,On]经过残差连接和层标准化后输入到第二层前馈网络,FNN由两个线性变换和Relu激活函数组成,计算公式如下:
Y=W2ReLU(W1x+b1)+b2(11)
式中,W1、W2为二层前馈网络中锂电池数据线性变换的权重矩阵,b1,b2为偏置参数。前馈网络后输出的结果通过残差连接与层标准化后得到最后的输出。
建立Pyraformer的金字塔注意力模块(PAM),所述PAM结构如图3所示。具体公式如下:
其中,为锂电池数据采集传感器节点的第s个节点,/>为传感器相邻节点的集合,/>为传感器临近节点,/>为C叉树中的子节点,/>为C叉树中的父节点,C表示较粗比例结点可以汇总的较细比例结点数,A表示节点可以参与的相同规模的相邻节点数,S表示刻度数。因此,节点/>处对应的输出Y可以表示为:
Yp为经STGCN模型提取特征信息后的锂电池数据序列。
建立Pyraformer的输出层具体如下:将上述步骤3.5.2得到的数据Yp进行全局平均池化,然后将池化后的特征向量Y使用Softmax函数计算特征向量被分到每个类别的概率Pi,从而实现对锂电池组健康状态的分类,Softmax函数计算公式如下:
式中,WY为全局平均池化的权重矩阵,bY为偏置参数。
步骤4:运用均匀初始化方法对初始商品价格和数量进行初始化;将改进后的多元学习引入到供需优化算法中,通过建立商品价格历史适应度矩阵实现对上一次迭代的适应度结果进行记录,利历史数据对本次迭代计算出的适应度结果进行干预,从而实现对商品价格的适应度值进行更新,最终得到精确的适应度,提高算法的全局搜索能力,得到UMSDO算法。
设置SDO算法的目标函数为锂电池健康状态预测准确率,确定种群大小、迭代次数、维度大小以及搜索空间的上下限。采用均匀初始化方法对初始商品价格和数量进行初始化操作,改进后的初始化方式公式如下所示:
其中,表示商品价格初始化结果,/>表示商品数量初始化结果。其中p种群数,d为维度,L为搜索区间下界,U为搜索区间上界,r为0和1之间的均匀随机数(由梅森扭曲器生成)。
根据目标函数计算适应度值,根据计算适应度得出最优解。在商品数量衡算阶段商品数量更新公式如下所示:
qi(t+1)=q0+α×(pi(t)-p0) (17)
其中,qi(t)分别为第t次迭代第i个市场中商品数量;α为需求权重;p0为商品均衡价格。在商品价格衡算阶段商品价格更新公式如下所示:
pi(t+1)=p0-β·(qi(t+1)-q0) (18)
其中,pi(t)分别为第t次迭代第i个市场中商品价格量;β为供给权重;p0为商品均衡价格;q0为商品均衡数量。将式(17)插入式(18)中,可以将需求算式重写为:
pi(t+1)=x0-αβ·(pi(t)-p0) (19)
引入多元学习策略来更新商品属性中每中商品的价格和数量;将商品价格种群随机分为两部分,一部分从当前商品价格种群和历史商品价格种群中学习,其余从当前商品价格种群中的最优市场中学习,具体实现过程如方程(20)所示:
其中,h是小于市场大小的正整数,并且h≠i;ph,j表示当前市场中h个商品的第j个变量;a和b是从0到1的随机数;Cbest,j是当前市场最优解的第j个变量。
步骤5:利用UMSDO对步骤(3)中的STGCN-Pyraformer模型的包括隐含层节点个数、学习率在内的超参数进行优化,获取对应的最优参数,利用优化后的锂电池组健康状态预测模型对电池健康状态进行预测,得到电池健康状态的预测结果。
(5.1)初始化SDO算法的相关参数,包括种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数。
(5.2)计算经融合模型训练的预测值和样本实际值Yi间的均方根误差,将其作为SDO算法中每个个体的适应度值Fit:
(5.3)根据商品价格衡算策略和商品数量衡算策略,更新出每个商品在不同市场中的价格和数量,利用公式(21)算出每个个体的适应度值,并对其进行排序。
(5.4)利用多元学习策略重新对个体位置进行计算,使用公式(20)计算个体位置,并利用公式(21)计算个体适应度值,将其与步骤(5.3)得到的个体适应度值进行比较,选出最优适应度值对应的最优位置。
(5.5)判断是否达到最大迭代次数,若达到,则输出最优解,并从中提取出融合模型的超参数,否则返回步骤(5.3)。
(5.6)将步骤3中得到的测试集数据输入到优化后的融合模型中进行预测,得到最终的锂电池健康状态预测结果。
本发明还提供一种装置设备,包括存储器和处理器,其中:存储器,用于存储能够在处理器上运行的计算机程序;处理器,用于在运行所述计算机程序时,执行上述基于多传感器数据融合的锂电池健康状态估计方法的步骤。
本发明还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被至少一个处理器执行时实现上述基于多传感器数据融合的锂电池健康状态估计方法的步骤。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于多传感器数据融合的锂电池健康状态估计方法,其特征在于,包括以下步骤:
(1)在由单个锂电池组成的锂电池组内部布置多测点、多变量传感器,采集不同工况下锂电池充放电数据;
(2)对步骤(1)获取的数据进行进行归一化处理,运用去趋势交叉相关分析法进行特征选择,对数据进行重新构建,形成电池健康状态数据集,并划分训练集、验证集和测试集;
(3)构建基于STGCN和Pyraformer模型的锂电池组电池健康状态模型STGCN-Pyraformer;通过时空图卷积网络提取由锂电池组的多维度参数数据构成的空间参数序列的局部电池容量变化特征,将获得的特征输入到Pyraformer中建立空间参数序列与全局锂电池组健康状态的变化联系;
(4)运用均匀初始化方法对初始商品价格和数量进行初始化;将改进后的多元学习引入到供需优化算法中,通过建立商品价格历史适应度矩阵实现对上一次迭代的适应度结果进行记录,利历史数据对本次迭代计算出的适应度结果进行干预,实现对商品价格的适应度值进行更新,最终得到精确的适应度,提高算法的全局搜索能力,得到UMSDO算法;
(5)利用UMSDO对步骤(3)中的STGCN-Pyraformer模型的包括隐含层节点个数,学习率在内的超参数进行优化,获取对应的最优参数,利用优化后的锂电池组健康状态预测模型对电池健康状态进行预测,得到电池健康状态的预测结果。
2.根据权利要求1所述的一种基于多传感器数据融合的锂电池健康状态估计方法,其特征在于,步骤(1)所述的锂电池充放电数据包括锂电池充放电电流与电压在内的内部因素及与温度、压力、湿度在内的外部因素数据。
3.根据权利要求1所述的一种基于多传感器数据融合的锂电池健康状态估计方法,其特征在于,步骤(2)所述的运用去趋势交叉相关分析法进行特征选择过程如下:
将单体锂电池的其中任意两组随时间变化的数据序列为非平稳时间序列{ai},{bi}(i=1,2,…,N),i表示时间度量,N为序列长度,序列{ai},{bi}分别表示任意两组锂电池数据序列;
求{ai},{bi}两个时间序列的去均值累积序列Ak和Bk:
其中,分别为时间序列{ai}和{bi}的平均值;
分别把{Ak}和{Bk}等分成Nn≡int(N/n)个不相重叠的长度为n的数据段;从序列的另一端进行同样操作,得到2Nn个等长度区间;
采用最小二乘法对每个区间v内的数据Ak,v和Bk,v,进行数据拟合,得到局部趋势和然后将所有数据段的趋势组合在一起作为局部趋势序列;
用原累积序列减去局部趋势序列,得到剩余序列,计算每一个区间剩余信号的协方差:
求所有区间的去趋势协方差的平均值,得到q阶去趋势协方差:
改变时间尺度n重复以上步骤,得到不同时间尺度n下的FDCCA(n);在双对数坐标下做出log(n)~log[FDCCA(n)]的散点图,将其进行直线拟合后所得斜率即为DCCA标度指数H;H在标度区间[0,1]内,定量表征了两组非平稳时间序列的交叉相关性.若0.4<H<0.6,表明序列没有相关性,即某一锂电池数据组序列变化趋势不会对另一组序列变化趋势产生影响,此时将这两组锂电池数据序列保留;若0.6≤H<1时,表明两序列之间具有长程交叉正相关性,即某一段时间内某一组序列的较大波动,会导致另一组序列呈现相同的趋势,此时将这两组锂电池数据序列对应元素求平均值形成一组数据集从而实现降维;0<H≤0.4时,某一段时间内某一组序列的较大波动,会导致另一组序列呈现相相反的趋势,数据处理方法与上述0.6≤H<1时数据处理方法相同。
4.根据权利要求1所述的一种基于多传感器数据融合的锂电池健康状态估计方法,其特征在于,步骤(2)所述训练集、验证集和测试集按照6:2:2的比例划分为。
5.根据权利要求1所述的一种基于多传感器数据融合的锂电池健康状态估计方法,其特征在于,所述步骤(3)实现过程如下:
(31)将分布在锂电池组上的多变量多测点传感器采集到的具有时空特性的锂电池工作数据的看作一个为STGCN的输入,以锂电池传感器监测点为节点,传感器链路为边与相邻关节点之间进行连接作为图的边;然后通过图卷积神经网络模型学习不同节点的位置信息和时间信息得到高阶特征,以捕获节点之间的空间依赖性和时间依赖性:
其中,H(l)是第l层的锂电池节点数据特征矩阵,W(l)是该层的权重矩阵,B(l)是所需的偏移量,为规范化的邻接传感器采集的数据矩阵,σ表示ReLU激活函数;
(32)采用注意力机制实现对锂电池组上分布的多个传感器节点之间进行不同程度的关注,选取重心点为锂电池组中心节点,其余关节点到重心点连线定义为S,具体实现公式如下:
其中,表示其余布置在锂电池组上的传感器节点到重心点的平均距离,大小表示传感器关键点到重心点的远近;
(33)通过两个网络层结合对时间和空间特征进行提取后,利用softmax函数完成分类预测传感器采集的数据:
X=softmax(Wa·Va+Wb·Vb) (8)
式中,Wa和Wb分别表示两层的权重矩阵,Va和Vb表示两层的网络模型,X为经STGCN模型第一步预测后得到的锂电池组的多维度参数数据构成的空间参数序列;
(34)建立包含编码器、金字塔式注意力机制、输出层在内的Pyraformer模型;将空间参数序列X作为Pyraformer模型的输入层数据;其中X的定义如下:
X={X1,X2,X3,…,XN}(9)
其中,N代表数据的维度;将数据通过向量表示。
6.根据权利要求1所述的一种基于多传感器数据融合的锂电池健康状态估计方法,其特征在于,所述步骤(34)实现过程如下:
建立Encoder的多头注意机制和前馈网络两层结构,每层都有一个残差连接随后进行了层标准化;对于多头注意力机制是由多个自注意力机制组成,自注意机制的输入是将经过编码后的输出打包到一个矩阵中,然后将这个矩阵由三个预先训练好的矩阵WQ,WK,WV,进行三次线性变换向量得到三个矩阵:查询矩阵Q、键矩阵K、值矩阵V;自注意力机制的计算公式如下:
式中,dk是K的维度﹐多头注意力机制就是定义多组WQ,WK,WV,通过不同的算出不同的Q,K,V然后将n个自注意力机制的结果拼接起来,得到最后的结果O=[O1,O2,…,On]经过残差连接和层标准化后输入到第二层前馈网络,FNN由两个线性变换和Relu激活函数组成,计算公式如下:
Y=W2ReLU(W1x+b1)+b2(11)
式中,W1、W2,为二层前馈网络中锂电池数据线性变换的权重矩阵,b1,b2为偏置参数;前馈网络后输出的结果通过残差连接与层标准化后得到最后的输出;
建立Pyraformer的金字塔注意力模块,具体公式如下:
其中,为锂电池数据采集传感器节点的第s个节点,/>为传感器相邻节点的集合,为传感器临近节点,/>为C叉树中的子节点,/>为C叉树中的父节点,C表示较粗比例结点可以汇总的较细比例结点数,A表示节点能参与的相同规模的相邻节点数,S表示刻度数,节点/>处对应的输出Yp表示为:
Yp为经STGCN模型提取特征信息后的锂电池数据序列;
建立Pyraformer的输出层具:将Yp进行全局平均池化,然后将池化后的特征向量Y使用Softmax函数计算特征向量被分到每个类别的概率Pi,实现对锂电池组健康状态的分类,Softmax函数计算公式如下:
式中,WY为全局平均池化的权重矩阵,bY为偏置参数。
7.根据权利要求1所述的一种基于多传感器数据融合的锂电池健康状态估计方法,其特征在于,所述步骤(4)实现过程如下:
(41)设置SDO算法的目标函数为锂电池健康状态预测准确率,确定种群大小、迭代次数、维度大小以及搜索空间的上下限;
(42)采用均匀初始化方法对初始商品价格和数量进行初始化操作,改进后的初始化方式公式如下所示:
其中,表示商品价格初始化结果,/>表示商品数量初始化结果;p为种群数,d为维度,L为搜索区间下界,U为搜索区间上界,r为0和1之间的均匀随机数;
(43)根据目标函数计算适应度值,根据计算适应度得出最优解;
(44)在商品数量衡算阶段商品数量更新公式如下所示:
qi(t+1)=q0+α×(pi(t)-p0) (17)
其中,qi(t)分别为第t次迭代第i个市场中商品数量;α为需求权重;p0为商品均衡价格;在商品价格衡算阶段商品价格更新公式如下所示:
pi(t+1)=p0-β·(qi(t+1)-q0) (18)
其中,pi(t)分别为第t次迭代第i个市场中商品价格量;β为供给权重;p0为商品均衡价格;q0为商品均衡数;需求算式重写为:
pi(t+1)=x0-αβ·(pi(t)-p0) (19)
引入多元学习策略来更新商品属性中每中商品的价格和数量;将商品价格种群随机分为两部分,一部分从当前商品价格种群和历史商品价格种群中学习,其余从当前商品价格种群中的最优市场中学习:
其中,h是小于市场大小的正整数,并且h≠i;ph,j表示当前市场中h个商品的第j个变量;a和b是从0到1的随机数;Cbest,j是当前市场最优解的第j个变量。
8.根据权利要求1所述的一种基于多传感器数据融合的锂电池健康状态估计方法,其特征在于,所述步骤(5)实现过程如下:
(51)初始化SDO算法的相关参数,包括种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数;
(52)计算经融合模型训练的预测值和样本实际值Yi间的均方根误差,将其作为SDO算法中每个个体的适应度值Fit:
(53)根据商品价格衡算策略和商品数量衡算策略,更新出每个商品在不同市场中的价格和数量,计算出每个个体的适应度值,并对其进行排序;
(54)利用多元学习策略重新对个体位置进行计算,并计算个体适应度值,将其与步骤(53)得到的个体适应度值进行比较,选出最优适应度值对应的最优位置;
(55)判断是否达到最大迭代次数,若达到,则输出最优解,并从中提取出融合模型的超参数,否则返回步骤(53);
(56)将训练集和验证集作为模型的输入数据,对优化后的融合模型进行训练,只用融合模型对测试集数据进行预测,得到最终的锂电池健康状态预测结果。
9.一种装置设备,其特征在于,包括存储器和处理器,其中:
存储器,用于存储能够在处理器上运行的计算机程序;
处理器,用于在运行所述计算机程序时,执行如权利要求1-8任一项所述基于多传感器数据融合的锂电池健康状态估计方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被至少一个处理器执行时实现如权利要求1-8任一项所述基于多传感器数据融合的锂电池健康状态估计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310686242.XA CN116774086B (zh) | 2023-06-09 | 2023-06-09 | 一种基于多传感器数据融合的锂电池健康状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310686242.XA CN116774086B (zh) | 2023-06-09 | 2023-06-09 | 一种基于多传感器数据融合的锂电池健康状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116774086A true CN116774086A (zh) | 2023-09-19 |
CN116774086B CN116774086B (zh) | 2024-03-26 |
Family
ID=88010784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310686242.XA Active CN116774086B (zh) | 2023-06-09 | 2023-06-09 | 一种基于多传感器数据融合的锂电池健康状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116774086B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117572295A (zh) * | 2024-01-12 | 2024-02-20 | 山东和兑智能科技有限公司 | 一种高压套管多模态在线监测及预警方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108226809A (zh) * | 2018-04-13 | 2018-06-29 | 淮阴工学院 | 一种多模型并用的电池soc估算方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN112687102A (zh) * | 2020-12-23 | 2021-04-20 | 大连理工大学 | 基于知识图谱和深度时空卷积的城域交通流量预测方法 |
CN113917334A (zh) * | 2021-09-01 | 2022-01-11 | 西安理工大学 | 基于进化lstm自编码器的电池健康状态估计方法 |
CN114755582A (zh) * | 2022-03-23 | 2022-07-15 | 河北工业大学 | 一种环境温度不同时锂离子电池健康状态预估方法 |
CN115856678A (zh) * | 2022-11-10 | 2023-03-28 | 盐城工学院 | 一种锂离子电池健康状态估计方法 |
CN115859584A (zh) * | 2022-11-22 | 2023-03-28 | 中国科学院深圳先进技术研究院 | 一种电池寿命预测方法、预测系统及计算机设备 |
-
2023
- 2023-06-09 CN CN202310686242.XA patent/CN116774086B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108226809A (zh) * | 2018-04-13 | 2018-06-29 | 淮阴工学院 | 一种多模型并用的电池soc估算方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN112687102A (zh) * | 2020-12-23 | 2021-04-20 | 大连理工大学 | 基于知识图谱和深度时空卷积的城域交通流量预测方法 |
CN113917334A (zh) * | 2021-09-01 | 2022-01-11 | 西安理工大学 | 基于进化lstm自编码器的电池健康状态估计方法 |
CN114755582A (zh) * | 2022-03-23 | 2022-07-15 | 河北工业大学 | 一种环境温度不同时锂离子电池健康状态预估方法 |
CN115856678A (zh) * | 2022-11-10 | 2023-03-28 | 盐城工学院 | 一种锂离子电池健康状态估计方法 |
CN115859584A (zh) * | 2022-11-22 | 2023-03-28 | 中国科学院深圳先进技术研究院 | 一种电池寿命预测方法、预测系统及计算机设备 |
Non-Patent Citations (1)
Title |
---|
刘柱;姜媛媛;罗慧;周利华;: "基于最优权阈值ELM算法的锂离子电池RUL预测", 电源学报, no. 04, 3 August 2016 (2016-08-03) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117572295A (zh) * | 2024-01-12 | 2024-02-20 | 山东和兑智能科技有限公司 | 一种高压套管多模态在线监测及预警方法 |
CN117572295B (zh) * | 2024-01-12 | 2024-04-12 | 山东和兑智能科技有限公司 | 一种高压套管多模态在线监测及预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116774086B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110824364B (zh) | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 | |
CN113777496B (zh) | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 | |
CN113722877B (zh) | 一种对锂电池放电时温度场分布变化进行在线预测的方法 | |
CN111027772A (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN111579993B (zh) | 一种基于卷积神经网络的锂电池容量在线估计方法 | |
CN112731183B (zh) | 一种基于改进的elm的锂离子电池寿命预测方法 | |
CN116774086B (zh) | 一种基于多传感器数据融合的锂电池健康状态估计方法 | |
US20220099743A1 (en) | Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
Xu et al. | A hybrid ensemble deep learning approach for early prediction of battery remaining useful life | |
CN109239603A (zh) | 一种流形正则化框架下的极限学习机预测动力电池soc方法 | |
CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
CN115980584A (zh) | 基于多特征融合lstm网络的锂电池rul估计方法 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
CN106295877B (zh) | 一种智能电网电能使用量预测方法 | |
CN113312807B (zh) | 一种基于锂电池性能模拟环境的电解液配方推荐方法 | |
CN112418504B (zh) | 一种基于混合变量选择优化深度信念网络风速预测方法 | |
CN113222263A (zh) | 一种基于长短期记忆神经网络的光伏发电功率预测方法 | |
CN116736133A (zh) | 锂离子电池全寿命周期容量退化轨迹的早期预测方法 | |
CN116029183A (zh) | 一种基于iPSO-LSTM模型的动力电池温度预测方法 | |
CN114355218A (zh) | 一种基于多特征量筛选的锂离子电池荷电状态预测方法 | |
CN116307097A (zh) | 基于深度学习的储能系统剩余电量预测方法 | |
CN116227650A (zh) | 一种基于正交增强型局部保持投影算法的锂电池温度分布预测模型构建方法以及模型 | |
CN114895206A (zh) | 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法 | |
CN115618506A (zh) | 一种单轴联合循环燃气轮机功率的预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |